--課程已於 2020 年 11 月更新--
課程說明
機器學習是高需求的技能之一。 數據是新石油。
然而,學習 ML 然後進一步佈署一直很困難。 Azure ML 是 Microsoft 對機器學習進行民主化的一種方式。
Azure 機器學習(AzureML)被認為是遊戲規則變革者。 Azure 機器學習工作室 ( Azure Machine Learning Studio ) 是學習建構高級模型的好工具,無需寫一行程式碼,只要簡單地拖放即可編輯。
這個課程的設計是考慮到入門級的資料科學家,或者沒有程式設計或資料科學的背景的任何人。 本課程還將幫助資料科學家學習 AzureML 工具。 如果你已經熟悉機器學習的概念或基本知識,你可以跳過一些最初的講座或者以2倍的速度走過課程。
課程非常實用,你將能夠運用下列知識開發自己的高級模型
✅邏輯迴歸 ( Logistic Regression )
✅決策樹 ( Decision Trees )
✅線性迴歸 ( Linear Regression )
✅支持向量機 ( SVM : Support Vector Machine)
✅更多
不用任何程式設計。 而且,你將能夠將這些模型佈署為 Web 服務。
本課程是一門完整的機器學習課程,涵蓋基礎知識。 我們不僅要建立模型,還要解釋所有這些模型的各種參數以及我們可以在哪些方面應用它們。
在這個過程中,我們將從機器學習中經常使用的一些基本術語開始。
我也會解釋:
✅什麼是機器學習和一些現實世界的例子。
✅Azure 機器學習介紹
✅提供 Azure 機器學習工作室和高級體系結構的概述。
我們也將看看
✅建立 ML 模型的步驟
✅有監督和無監督學習
✅了解數據和預處理
✅不同的模型類型
✅AzureML 備忘清單 ( Cheat Sheet )
✅如何使用分類和迴歸
✅什麼是群聚或群聚分析
✅使用 AzureML 最強大的推薦引擎創建推薦系統
https://softnshare.com/machine-learning-using-azureml/
同時也有21部Youtube影片,追蹤數超過250的網紅偽學術,也在其Youtube影片中提到,就在前一個月,我為了想要嘗試衣著新風格,在搜尋了資料後,臉書開始大量推播服飾廣告給我,看著看著,腦波就漸漸變弱了。於是….我就被詐騙了😐。這個「#一頁式網站」的數位詐欺,其過程與後續處理,詳情請進下方聲音內容聽我娓娓道來👇 . 台大社會學系孫中興在2020年時,開了一堂「詐騙社會學」課程,探討了 #...
「資料科學的 建 模 基礎」的推薦目錄:
- 關於資料科學的 建 模 基礎 在 軟體開發學習資訊分享 Facebook 的最佳貼文
- 關於資料科學的 建 模 基礎 在 軟體開發學習資訊分享 Facebook 的最佳解答
- 關於資料科學的 建 模 基礎 在 宜蘭縣議會議員陳文昌服務處 Facebook 的最佳貼文
- 關於資料科學的 建 模 基礎 在 偽學術 Youtube 的最佳貼文
- 關於資料科學的 建 模 基礎 在 賢賢的奇異世界 Youtube 的最讚貼文
- 關於資料科學的 建 模 基礎 在 Dd tai Youtube 的最佳貼文
- 關於資料科學的 建 模 基礎 在 Re: [請益] 機器學習或資料科學家領域差異- 看板Soft_Job 的評價
- 關於資料科學的 建 模 基礎 在 旗標知識講堂- 《資料科學的建模基礎 的評價
- 關於資料科學的 建 模 基礎 在 Python 資料科學實戰教本- 爬蟲- 探索式分析、機器學習建模 的評價
- 關於資料科學的 建 模 基礎 在 Re: [請益] 機器學習或資料科學家領域差異- 看板Soft_Job 的評價
資料科學的 建 模 基礎 在 軟體開發學習資訊分享 Facebook 的最佳解答
本課程將引導你了解使用 Python 進行財務和演算法交易所有需要的知識!我們首先學習 Python的基礎知識,然後繼續了解 Py-Finance 生態系統中使用的各種核心程式庫 (libraries),包括 jupyter 、numpy、pandas、matplotlib、statsmodels、zipline、Quantopian等等!
從這 17 小時的課程,你會學到
1 使用 NumPy 快速運用數值資料
2 運用 Pandas 做分析並視覺化資料
3 使用Matplotlib建立自定義的繪圖(plots)
4 學習如何使用 statsmodels 做時間序列分析
5 計算金融統計,比如日收益、累計收益率、波動率等
6 使用指數加權移動平均值(Exponentially Weighted Moving Averages)
7 在時間序列資料上使用 ARIMA 模型
8 計算 Sharpe 比率
9 優化投資組合分配
10 了解資本資產定價模型
11 學習有效市場假說
12 進行 Quantopian 的演算法交易
https://softnshare.com/python-for-finance-and-trading-algorithms/
資料科學的 建 模 基礎 在 宜蘭縣議會議員陳文昌服務處 Facebook 的最佳貼文
這兩天最熱門的新聞,便是台積電的股價市值創新高的消息。對於台灣的企業能達到這樣的成就,一方面是感到敬佩,一方面也會擔憂資源過度集中的問題。這裡說到的資源包含了政府政策的焦點、台灣資通訊人才的群聚而無法進入其他產業。
最近在看一份文件,由卡內基國際和平基金會的教育領域的副總裁 Evan A. Feigenbaum 所撰寫的報告,裡面內容很完善的討論到台灣過去的成功以及目前的窘況,包括少子化導致整體人力的萎縮、基礎科學及統計資工人才的不足、缺乏雙語環境及海外市場的企圖心,這都影響了下一世代新創產業誕生的可能。
另外除了問題面外,這份報告也列舉了幾項我們能思考突並作突破的部分,包含以色列整合軍事及產業的人才培育策略、APEC及美國印太平洋計畫旗下能讓台灣產生更多槓桿的子計畫、GDPR個資政策與重視未來人工智慧資安的方向,又或是台灣善用資通訊的高等教育吸納東南亞甚至全球的學生等(以目前台灣疫情的控制我個人認為有可能)。
可以看到,要營造整個有利創新的環境,不單單只是經濟部的科專或科技部的計畫等,甚至要連內政部、國防部、外交部、教育部也一起,統整出一個綿密的策略。
以下是我看了整本報告的筆記,單就翻譯品質上絕對不足的,但想說如果有興趣的朋友不妨一同討論,一起想想台灣該如何營造有利的制度,讓創新產業能踏穩及在全球有所突破。
以下筆記:
「台灣新創未來該如何突破?」
Carnegie Endowment for International Peace
卡內基國際和平基金會
Evan A. Feigenbaum
VICE PRESIDENT FOR STUDIES
https://carnegieendowment.org/experts/719
原文連結:https://carnegieendowment.org/…/assuring-taiwan-s-innovatio…
一、台灣五大未來創新上會面對的挑戰:
(一)STEM(科學、科技、工程、數學)人才跟人力的資本問題
(二)市場規模太小的問題
(三)硬體至上思維如何改變?
(四)如何為台灣增加附加價值?
(五)政府政策該如何幫助產業?
二、STEM(科學、科技、工程、數學)人才跟人力的資本問題:
(一)台灣必須加強STEM的人才訓練,特別是新創者的數學、統計、資工、資料科學的技能。
(二)在PWC 2018年的新創調查中,僅13% 工程背景、 7% 科學背景、13% 資訊背景,六成的創辦人為文學及商業背景。
(三)因為過去資通訊的成功,也磁吸了大部分相關人才到TSMC跟MTK。
(四)台灣少子化非常嚴重(全球最低),總體勞動力人口也不斷在萎縮,連帶的影響各種專業人力的總量,以及投入到科技領域的人數。
(五)台灣越來越少科學及工程的畢業生,從2007到 2014,每年相關的畢業生減少了快一萬名(從92167到83394)。
(六)綜上,每年透過教育體系產出的人才庫越來越萎縮恐會供給不足。
(七)台灣到美國就學的畢業生及在學生也都在萎縮,以2000跟2017來比較,在學生總數從10668到7003,畢業生從15022到9236 。
(八)出國留學者越來越少比例的人願意回台灣,2004到2007約65%留在美國,2012到2015約75%留在美國。
(九)留學美國者回台灣的重要性是在,過去80、90年代會形成一個美國跟台灣間的「腦力連結」,而塑造一個學術及業界的台美連結機制,對下一代人才的塑造是重要的。留學回國的數目下降,對形成前述的機制是不易的。
(七)人數減少,長期來說也會影響下一代重要技術,例如AI的競爭力。
(八)此外,台灣的學程所教授的內容通常距離最新的科技相隔三到五年。
(九)來自北京的人才競爭也不可小覷,它能透過薪資及市場的誘因來吸引台灣人才。
(十)台灣應思考如何透過生活品質及民主政體來吸引留住人才。
三、市場規模太小的問題
(一)人口萎縮也持續影響市場規模。
(二)即使本國市場小,還是有機會成為較大規模市場的服務跟平台,例如、來自瑞典的spotify,但這也關乎了台灣在前個主題的人才庫的養成。
(三)因為產業西進及人力成本的提升,目前台灣已經無法單一區域就完成一個完整的製造生態系。就連富士康及和碩,仍要跟中國的製造商合作。
(四)台灣的VC資源仍強壯,但也有VC反應近十年來台灣缺乏足夠的可成為投資標的新創團隊。也因此,有些投資單位也會開始物色中國的新創團隊。
(五)一大挑戰,便是吸引美國及國際的投資人,且過往台灣的市場資本曾經有被高估過,也是加深了這挑戰的原因。(這句得求證)
(六)另外一個台灣的大挑戰是,如何創造對投資人有誘因的下世代科技,然而台灣也面臨這部分的問題,包括AI領域的資料不足,或是量子計算的人才不足等。
(七)目前有許多中國的AI研究人員在美國的單位工作,這帶來兩個層面的影響:在八零九零年代台灣跟矽谷間的連結,取而代之的是中國跟矽谷的連結。未來美國諸多領域的AI的形塑方向,也會與中國有關。另外,基於華盛頓跟北京的競爭趨勢,也將有許多在美國的AI人才回流到北京。
(八)如果未來華盛頓跟北京的競爭加劇,世界將會分成兩大陣營。而北京也會持續運用各種方面的壓力來影響台灣、吸收台灣人才。
四、硬體至上思維如何改變?
(一)台灣另一個必須面對的問題是,過往硬體製造的成功經驗,也影響了下一代台灣的軟體硬體整合的發展可能。
(二)以中國大疆無人機為例,無人機算是軟硬整合的成慣例,除硬體外,有必須搭載不斷突破的演算法,同時,透過無人機拍攝的資料,又能持續改善演算法。這解決方案也吸引了許多全球跟美國的單位,包括美國,運用大疆的無人機再開發更新的軟體技術。
(三)台灣的切入點仍存在的,考量有些國家,包括美國,可能會對中國打造的AI科技有所疑慮,在這部分台灣應有潛力來取代服務。
(四)但即使要做到前述這點,用過往硬體生態系的思維來面對也並不合適,得直接有軟硬整合的思維基礎來面對。
(五)台灣必須找到基於硬體及軟體的優勢來發展,像是以色列及愛沙尼雅的做法。
(六)以生物晶片作為基礎建設發展的生物科技,並整合硬體、韌體及軟體,也是可考慮發展的方向。
(七)要如何用硬體優勢、結合軟體,以彈性的工程概念迅速打造下一世代的高科技的基礎建設,對台灣來說是必須發展及規劃的。
五、如何為台灣增加附加價值?
(一)東亞的製造供應鏈正迅速在轉變,,從中國轉移到越南、馬來西亞或印尼,因為中國的工資成本也在上漲。2017年爆發的美中貿易戰也正加速此進程。
(二)有些供應鏈的轉移並不容易,例如廣東富士康的微電子零組件生態系,而泰國或越南也難以吸收這樣的產業移入。而富士康的印度基地是轉移的其中一個例子,同時製造印度人口所需的手機已經小米的機體。
(三)台灣的挑戰包含了:
A.必須瞄準新科技(AI及量子技術)的其中一部分製造鏈,而這些新科技的廠商包含雅馬遜、GOOGLE或是中國的百度、阿里巴巴等。
B.台灣可以尋找一些目前平台大廠尚未提供服務的領域,而這服務是針對消費者市場的。包括醫療、教育、資安的部分,都仍有發展軟體、人工智慧的空間。
(四)在台灣,雖然礙因於資料量,較難發展大量資料所產生的人工智慧企業,但有許有機會發展少資料型的人工智慧演算法。
(五)除了ICT跟半導體,大部分產業過去都聚焦在低毛利的製造,也造成未來轉移至高值化的障礙。
(六)台灣必須綜合國際趨勢、尖端科技及研發能量,找到對台灣來說高附加價值的產業發展。也能參考美國未來市場所需的人工智慧及量子計算來發展。
六、政府政策的幫助
(一)許多台灣政府的政策或計畫停留在陳述的階段,即使有加強對人工智慧的投資力道,但並沒有有效地針對特定領域訂定策略。相對來說,美國及歐洲都有進行規劃策略,以日本發展AI醫療為例,政府便有計畫建立十處以AI為基礎的醫院來發展AI醫療,投入金額將在2025達到100 million美元。中國也發展人工智慧人臉辨識,進而誕生出獨角獸Megvil,此公司最近也沒加入美國商務部的Entity list。
(二)這說明了,過往台灣在硬體的成就,難以讓台灣在未來的科技競爭上穩穩站足。
(三)政府應引導整個台灣發展市場上有興趣的項目,讓國外的投資者能不斷投注資源,並且不讓法規或稅制造成這類投資的障礙。
七、台灣應針對上述五點問題進行解決,並且也在國際間找到能一同解決的合作夥伴。像是過去台灣跟矽谷的合作,應該與美方產生一種新世代的合作模式來解決前述問題。
以下是討論建議參考的解決策略:
八、STEM(科學、科技、工程、數學)人才跟人力的資本問題:
(一)雙語經濟是能加強的方向,透過英語的加強來征服區域及全球的國際化挑戰。
(二)台灣可做為一個區亞洲域型的高等英文工程相關課程(電機、機械)的中心,吸引東南亞學生,以相較於美國及歐洲、澳洲更低價的課程來吸引東南亞電機人才,並透過策略留住這些學生在台灣電機相關領域。
(三)從此刻,為了往後十年到二十年的STEM人才庫做努力,同時這樣的人才庫得累積包括科技、商業、軟硬整合,讓台灣能發展人工智慧、量子計算及資安等領域。
(四)針對5+2產業,應在大學建立相關的新創加速器。先從政府資源挹注,後續再由業界資源銜接。這些加速器應扶植跟聚焦的技術,並不是短期投資市場所關注的,反而應關注長期有潛力發展的技術。
(五)政府應鼓勵學校,引導商學院學生加強科技的應用技術,同時也加強理工、電資學院學生商業及金融的知識,培養綜合型人才。
(六)台灣在各方面都有人才,然而國際交流型的人才還是太薄弱。
(七)按照PWC 2019新創的調查,60%的新創團隊並沒有聘用能推展國際化的人才 ; 54%的團隊沒進行投遞或參加國際的展演及投案 ; 只有30%有針對國際市場進行評估。
(八)即使台灣團隊嘗試培養很前端的科技技術,然而終究會因為缺乏國際的管理者,而導致難以開發台灣以外的市場。
(九)以色列模式:
A.瞄準遠期尖端科技,特別是數年後才會帶來收益的科技。
B.策略並不會雨露均霑,而是選擇有足以作為特色及槓桿的項目,像是基礎科學及資工便是投入好幾年資源的項目。
C.透過政策及策略銜接軍事單位、軍種及業界,讓好的人才在當兵時能得到更完整的培訓及成為業界能善用的人才。
D.許多以色列人能流暢的使用英文,因此台灣也能考慮雙語政策,同時許多以色列的企業會企圖發展更國際化的市場(美國及歐洲),及具備有國際化的眼界。
(十)台灣能持續推動的國家政策:
A.有利國際創新的簽證
B.引入國際的產業導師制度,用公私協力的方式,引入國外特訂領域的導師,來觀察及督考台灣各領域的發展,可能的領域包含量子計算、資安、生物科技。
C.擴充gAsia Pass的應用情境(再研究)
D.建立一個跨太平洋的諮詢平台,把投資、需求、選題及台灣的研發能量對接起來。
E.承上面諮詢平台的建立,也同步在教育層面建立,將學術能量引入。
九、市場規模太小的問題
(一)三種策略:台灣做為一個中繼站(hub)、一個值得信任的供應商、以及一個高效能的導管。
(二)台灣做為一個中繼站(hub)
A.不只資料數量重要,資料的處理、資料的合成、資料的部署同樣重要。也可從以色列跟愛沙尼雅的案例看到,如何善用各政府單位及民間單位的能力及優先緒,來增進工業的價值鏈。
B.政府可作為高品質資料的提供方。此外,台灣也能善用法治基礎,來加強資料保護及個資保護的標準。
C.作為APEC中的領導角色,目前APEC中有在討論物聯網跟數位經濟的資安標準,台灣應扮演主導角色來引導框架及提供處理上的案例。
D.成為GDPR標準在亞洲施行的最佳案例。
E.美國的印太平洋策略中包含資安環節,台灣及華盛頓應保持交流溝通管道,在全球及APEC上一同推動。
(三)台灣作為一個值得信任的供應商
A.政府應針對5+2產業旗下的各創新計畫進行TVCP(trusted vendor certification program)認證,加強這些計劃的品質及可信任度,活用優勢,與國外的合作單位共同開創新科技的標準。
B.作為美國的新科技產品的場域實測基地。
(四)台灣作為一個高效能的導管
A.美國團隊也同樣對東南亞快速擴張的市場感到興趣,台灣能成為比中國更信任的夥伴,連結美國進入東南亞市場。
B.美國目前有 New Southbound Policy及 U.S. Indo-Pacific strategy,加入旗下的數位及資安相關的計畫,目前南韓已有加入。
十、硬體至上思維如何改變?
(一)應挑選前瞻的重點軟體科技領域,進入扮演重要的角色(AI、IoT)。
(二)台灣在量子運算上仍未有具規模的使用者,然而學界目前有美國IBM合作的計畫。
十一、如何為台灣增加附加價值?
(一)美國正調整供應鏈對中國的依賴,並尋找下一階段科技上的夥伴,特別是在AI及物聯網、生物科技技術上無資安疑慮的合作夥伴。而這是台灣的機會,台灣應盡可能在這些領域的安全技術標準上佔有一席之地。
十二、政府政策該如何幫助產業?
(一)從半導體的經驗來看,政府政策的投放必須是長期持續、且眼光放遠、針對先進科技的。
(二)台灣在研發上的投入資金比例上越來越少。
(三)調整政策讓基礎研究能成功商業化非常有必要。
(四)接下來三年到五年有些美中的合作計畫有可能停止,台灣必須成為有潛力的取代對象。
(五)台灣目前有加入APEC Cross-Border Privacy Rules,目前該組織的方向趨向歐盟的標準,台灣可先針對GDPR系統預作準備。
(六)台灣應該更積極加入更多科技業標準的制定,特別是接下重要的科技如物聯網、資安等。
資料科學的 建 模 基礎 在 偽學術 Youtube 的最佳貼文
就在前一個月,我為了想要嘗試衣著新風格,在搜尋了資料後,臉書開始大量推播服飾廣告給我,看著看著,腦波就漸漸變弱了。於是….我就被詐騙了😐。這個「#一頁式網站」的數位詐欺,其過程與後續處理,詳情請進下方聲音內容聽我娓娓道來👇
.
台大社會學系孫中興在2020年時,開了一堂「詐騙社會學」課程,探討了 #詐騙和信任(信賴)此息息相關的生活現象,詐騙與信任是一體的兩面。課程蠻有趣的,橫跨自我、愛情、家庭、教育、職業、政治、經濟、宗教等領域,以論述人類社會乃建立在信任的基礎上。而孫中興的論點是,反過來看,欺騙卻也是有功能啦,除了人際互動中的各種立場的策略實踐外,它似乎也是某種通往更好的真實與真相的試煉。或許下次我會換別間購物網站試試看…
.
📌 #今天的內容有
.
▶數位時代的資本主義消費社會
▶社群網站連結購物功能
▶我在一頁式廣告買了爆爛的燈芯絨褲
▶於是我被詐騙了
▶架設網站的便利性、變動性、跨國性
▶特徵一:沒有公司地址與電話
▶特徵二:售價明顯低於市場行情
▶特徵三:常用限時倒數方式吸引購買
▶特徵四:免運+7天鑑賞期
▶特徵五:只能貨到付款
▶下單前先求證R~~
▶信任的社會理論
▶欺騙的社會理論
▶探索真相的積極意義
.
📣#firstory 聽這裡:https://open.firstory.me/story/ckkyoyr9casa708661mu6gsq6?ref=android
.
📣#kkbox 聽這裡:https://podcast.kkbox.com/episode/8qEh41eiDa_myCiAaN?lang=tc
.
📣#spotify 聽這裡:https://open.spotify.com/episode/3o1WkrWYW2HrKDoFufeAUb?si=Y-O2TNAmR8y0vObni0qDcA&utm_source=copy-link
.
📣#apple 聽這裡:https://podcasts.apple.com/us/podcast/ep-40-%E6%88%91%E8%A2%AB%E4%B8%80%E9%A0%81%E5%BC%8F%E5%BB%A3%E5%91%8A%E8%A9%90%E9%A8%99%E4%BA%86-%E8%A9%90%E9%A8%99%E7%9A%84%E7%A4%BE%E6%9C%83%E5%AD%B8-%E9%81%8E%E5%B9%B4%E8%B3%BC%E7%89%A9%E8%A6%81%E5%B0%8F%E5%BF%83-%E6%9D%8E%E9%95%B7%E6%BD%94/id1516956557?i=1000508393227
.
📲#fb完整論述 :https://m.facebook.com/story.php?story_fbid=1690958017758483&id=208541192666847
|
👉 臉書廣告詐騙自救網站:https://www.facebook.com/advertising.self.help.return.union/
|
//// 完整論述 ////
.
▓ #數位社會中的消費行為
.
在Shoshana Zuboff的《監控資本主義時代》序文中,他從資本論的基礎提出,資本主義中的市場因素:勞力、原料、土地之外,數位時代中的商品與消費,以數據庫、物流、感官美學取代了傳統真實商品做為經濟的引擎,我們已經不是消費者(現在聽起來還蠻「公民」的),我們僅僅是被監控的對象。
.
從2019年的社群數聚報告來看,社群媒體Facebook、Instagram和LINE的改革,持續增加社群軟體功能,社群不再僅限於交流,還多了「電商」身份。無論是開放式或是封閉式的網站,更多的商品購物行為在社群媒體上發生,當然也會帶上社群媒體的媒介化色彩,例如及時、互動、視覺化、感官化,還有萬惡的演算法。
.
於是,在上述的基礎上,網路購物蓬勃發展,其傳播性、便利性與隱蔽性,且不受時間與空間的限制,使得交易量逐年顯著提升。然而,面對如此蓬勃的交易平臺,許多詐騙者開始混雜其中,謀取不法利益。詐騙的方式不但多樣化,且經常隨著數位技術的改變,令人防不勝防。
.
▓ #一頁式廣告的詐欺
.
大概也是因為我自己想要購買一些新年新衣,在搜尋、在傳訊、在聊天(?)時,提到了些關鍵字,大量的服飾廣告就出現在我的臉書與IG上啦。腦波弱加上先前電商購物的經驗,我就入了「一頁式網站」的坑了。總之經歷了各種令人心寒的過程,退貨與退款終於進入流程(但還不知道會不會真的成功退款)。
.
大家要記住下面五個一頁式網站廣告的特徵:沒有公司地址與電話、售價明顯低於市場行情、常用限時倒數方式吸引購買、免運與7天鑑賞期、只能貨到付款。如果有問題,通常找不到賣家,所以請找「寄件者」、「物流業者」處理退貨與退款,如果遇到刁難,就盡量盧他吧~ 而購物前的自保查詢真的是非常重要。(數位時代做人好難)
.
▓ #信任的社會學
.
從社會學來看看這種詐欺現象,但先談談信任。Georg Simmel認為社會的開始始於互動,最基本的互動形式就是「交換」,尤其是以貨幣為中介的交換,這種交換離開信任就無法進行,這也就是他談《貨幣哲學》的問題意識:整個社會的運作離不開信任(Möllering, 2001)。
.
王怡文、黃光國等(2007)也提出了以華人的關係主義(relationism)為預設的 #五種本土信任原形(prototypes),其中兩種是屬於關係網絡內的社會信任,包括:基於血緣關係的血親信任及根植於情感與認同的滋生信任。
.
另外三種是屬於關係網絡外的社會信任,其一是:常民在文化實踐中累積的習俗,形成的習俗信任;其二是:奠基於專業知識與能力的專業信任;其三是:基於利益最大化的理性計算,形成的制度信任。社群電商化的購物信任與詐欺,就是文化實踐累積不夠,專業知識與防範機制也不足的結果XD
.
▓ #欺騙的社會學
.
詐騙又有什麼社會學呢?Barnes(1994)指出,詐騙在社會學的意義上,實際上是社會制度的建構與維持所必需的。沒有謊言的存在,就沒有「真話」的概念,真實是在與虛假的對比中產生的。在社會學家看來,說實話有著實用的原因,即維持社會的正常交往。同樣,撒謊也有著類似的實用意義,例如「#自我感覺良好」、「#善意的謊言」等等。所以說,謊言就要以言者的動機來評斷其道德上的善惡。
.
因此,詐騙的動機是多元複雜的。Barnes舉例,在政治界中謊言如家常便飯,常被認為不需受譴責;而在一些模糊的領域,如法庭、廣告、官僚體系,人們既期待聽到實話,也期待聽到謊言。進一步的,在一些明白要求說真話的領域,如自然科學等知識領域,對撒謊則相當不寬容。
.
總體而言,從社會學的角度來看,Barnes認為,誠實與信任固然是人際關係的基本構成要素,但現代文明的一些制度,正是在信任缺失之下而繁榮茂盛。例如「合同法律制度」,正是拜社會缺乏信賴所賜。從這種意義上說,我很贊成Barnes對詐騙的曖昧性、禍福參半的斷言。目前一頁式網站詐騙尚無完整的約束制度,這也反映出全球技術社會中的有待努力的方向。
.
#參考文獻
.
1. J. A. Barnes. 1994. A Pack of Lies: Towards a Sociology of Lying. Cambridge: Cambridge University Press.
2. Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new frontier of power: Barack Obama's books of 2019. Profile books.
3. Möllering, G. (2001). The nature of trust: From Georg Simmel to a theory of expectation, interpretation and suspension. Sociology, 35(2), 403-420.
4. 王怡文, 陳亮全, & 黃光國. (2006). 華人社會中的信任策略. 本土心理學研究, (25), 199-241.

資料科學的 建 模 基礎 在 賢賢的奇異世界 Youtube 的最讚貼文
#犯罪心理學 #criminalminds #FBItest
FBI測試點擊這裡:https://www.jobtestprep.com/search?r=%20Free%20FBI%20Diagnostic%20Test
各位大家好,歡迎來到HenHenTV的奇異世界,我是Tommy.
犯罪心理學Criminal Psychology,是在心裡學裡面
其中一門專門研究犯罪事件和相關人物的行為和心理,
研究的對象其實並不是犯罪人本身而已,
同時也包括職司逮捕,偵查,審批行刑的各種司法人員,
也包括證人和被害人。犯罪心理學家也叫鑑定人,
在英國和美國也叫專家證人,也叫做Expert Witness,
以幫助法官和陪審團了解被告的心理,還有證人證詞的可信度。
最早出版有關犯罪心理學的書籍是在1847年,
由奧地利籍的心理學家,漢斯。格羅斯,(Hans Gross)
出版了一本叫【犯罪調查】的心理學書,
他是第一名用科學的方法來查案的偵探,
書裡面就包括有醫學,彈道學,病理學,血清學,
人體測量學的方法來協助案件的調查,
也談到了礦物學,生態學,植物學家如何協助偵破案件。
而他的另外一本書:【犯罪心理學,法官,法律執業者與學生手冊】,
更被翻譯成8國語言,他也在書中寫了一個新詞:
刑事調查學(Criminalistics),
他也創辦了第一本偵探雜誌,也建立了第一個犯罪博物館.
另外一本也是蠻出名的書,在1876年
由意大利心理學之父龍勃羅梭寫的【犯罪人論】,
他就研究了3000多名罪犯罪者的頭骨,
也研究了1279位罪犯的人體測量和他們的相貌分析。
他認為,有這麼的一種人天生就是犯罪者,
與正常人有點不一樣的特徵和相貌。
他也以解剖學分析為基礎,通過70多種犯罪遺傳的特徵。
而那個得出來的結果,就是天生罪犯是頭骨突出,眉骨隆起,
他認為,這些犯罪者其實是擁有祖前原始人的特質遺傳,
這些對他來說就是犯罪的基因。
但是現代的心理學家對他的理論嗤之以鼻,
因為事實證明在很多以後的犯罪者都沒有這種特徵的。
另外一名要是要說的,雖然他並不是心理學家
其實你和我都懂他是誰的,
但是影響犯罪心理學發展非常重要的一個人,
他就是柯南道爾,也就是寫福爾摩斯的作家,
他本身其實是一名醫生,也是一名共濟會的會員,
但是在1911年他就退會了。
他生平寫的60篇關於福爾摩斯的故事,
雖然他寫的都是虛構人物,裡面有一個案件是真實的,
就是轟動一時的傑克開膛手。
而柯南的作品也影響了很多警察,偵探還有心理學家,
其中就包括法國的法醫學家,埃德蒙。羅卡和美國的奧古斯都。霍爾曼
先說羅卡,羅卡本身是一名法醫,
他創立了第一間犯罪實驗室,也推出了一個理論叫:
【羅卡交換定律】,
理論是:“凡兩件物體接觸,必會產生轉移的現象,
用在案件裡面,
也就是兇手一定會在現場留下一些東西和帶走一些東西,
也就是說現場一定會留下微量的跡證。
而奧古斯都。霍爾曼本身原本是一名郵差,
但是他過後考了警察,並且成為了伯克利警局的局長,
也在1932年成立了偵探實驗室,也就是造就了以後的刑事調查實驗室,
好像我們看到的CSI的實驗室是一樣的。
而什麼叫做罪犯側寫,Offender Profiling?
它是一種調查的方式,讓調查人員或者是警察,用在未知的罪犯身上,
罪犯側寫大概分為四種,
1. 地緣剖繪,分析犯罪時間和案發地點的模式,
來找到犯人出沒的地方
2. 調查心理學:借鏡分析心理學理論,
借由審訊現行犯的犯案行為與作案風格,來判定犯案者的特徵
3. 類型學,就是分析案發現場的特徵,
接著根據各種典型特有的特徵來歸類兇手
4. 臨床心理學,利用精神病病學和臨床心理學,
來判斷兇手是否患有精神病或者是心理失常。
而罪犯側寫的程序也分為五個階段:
1. 分析兇手本質的行為,並比對從前曾犯下類似案件的罪犯。
2. 深度分析犯案現場
3. 分析受害者的出身背景與作息活動,
尋找可能的犯案動機以及兇手與被害者的關聯。
4. 分析誘發犯人犯下該起罪案的可能因素。
5. 根據觀察到的特征建構疑犯的側寫,可對照過去的案件。
其實這個方法在中世紀的時候已經有法官或者執法人員
開始用這種方法來尋找罪犯,但是它並沒有成為一種學科,
而在1880年由於是倫敦的傑克開膛手事件,
外科手術醫生,湯姆斯。邦德以法醫的身份
參與了瑪麗,凱麗案件的調查,
瑪麗,凱麗也就是開膛手案件最後一名受害者,
他分析了所有相關的案件和兇手的作案手法和行為特徵,
得出來的結果是:
1. 兇手是一個人作案,獨行俠,沒有固定的職業
2. 冷靜和大膽,身體高大並且處於中年,衣著整潔
3. 情緒不穩定,患有性慾亢奮的性異常症狀。
4. 沒有解剖學的知識,所以兇手不是醫生和屠夫。
5. 受害者全部都是妓女,兇手對於妓女有特別的憎恨和厭惡
6. 受害者的肚子被剖開,內臟被挖出,臉和陰道都被搗爛。
但是由於當時並沒有DNA的科技,因此這個也成為史上的懸案之一。
不過網上謠傳他們把英國作家羅素。愛德華
當年買下的證物,凱瑟琳。艾道斯的披肩,
他們就拿這個披肩去化驗,上面除了找到受害者凱瑟琳的DNA之外
還有另外一個人的DNA,他叫艾倫。柯敏斯基,
但是由於證物上的DNA因為太久了,所以不能做證物,
因為它存在著DNA可能會變異的可能性,所以不可以用這個來斷定兇手。
而最早這種罪犯側寫成為一個專門的調查方式,
是詹姆斯。布魯休斯開始的,
在1940年紐約的愛迪生大廈發生了炸彈事件,
兇手留下簽名F.P,由於當時的炸彈並沒有爆炸,也沒有人受傷
因此愛迪生公司的人也沒有深入調查,但是在10年後的聖誕節,
也就是1960年,這個F.P炸彈客在公共場所放了12枚炸彈,
引爆了6枚,但是也是沒有人受傷,
而在1955年也放置了52顆炸彈,引爆了40顆,
造成一個人死亡和多人受傷,政府就開始對這個事件特別的關心
就著重了調查這個案件
但是憎恨愛迪生公司的人非常的多,兇手在案發現場留下的證物也很少,
因此警方就邀請了詹姆斯來幫忙,詹姆斯就對於兇手做了罪犯側寫:
他的結論是:
1. 作案者是男性,因為一直以來的炸彈客都是男性,沒有例外
2. 年齡介於50歲以上,擁有偏執心理(偏執狂)
偏執狂很愛保護自己,所以他犯罪的時侯,
往往就是以 ‘自衛’來做出發點
3. 他受過良好的中學教育,從他的字體可以看得出來
4. 他有中等的身材,擁有運動型的體魄,因為85%的偏執狂都是運動體型的
5. 他非常遵守時間,做事井井有條。
6. 他不是純正的美國人,因為在他的信件裡面,
有某些專有的特別名詞寫法。
7. 他受過心理創傷,他和愛迪生公司人的糾紛
不可能成為他在公共場所放置炸彈的原因。
8. 他有戀母情結,獨身,沒有女朋友,
可能小時候常常反抗父親,滋生他反抗權威的情緒。
失去母愛的傷痛還沒有癒合,所以可能是和女親屬住在一起。
9. 他是斯拉夫後裔,因為斯拉夫的恐怖分子裡面,
大部分都是喜歡用炸彈
10. 他可能住在布里奇波特,這是根據他匿名寄出的恐嚇來推斷出的地理推測。
11. 他可能患有心血管疾病,因為他一直在信中說自己是病人,
持續16年的恐嚇信當中,如果是癌症,就不會活那麼久,
如果是其他疾病,也應該痊癒了,所以最有可能性是心血管疾病。
最後警方根據詹姆斯的側寫,很快就破案了,
兇手喬治。默特斯基,他的特徵和罪犯側寫
幾乎是百分百吻合,所以過後的專業罪犯側寫師的職業就誕生了。
除了這個案件,詹姆斯博士也幫助很多的案件破案,
其中就包括波士頓絞殺魔。
在1943年第二次世界大戰爆發,OSS戰略情報局
也就是中央情報局CIA的前身,局長威廉。約瑟。唐納文,
請波士頓的心理學家瓦特。查爾斯。蘭格博士
為阿道夫。希特勒做一個罪犯側寫,
他們要揣測希特勒在輸了第二次世界大戰過後可能會做出的行為,
側寫中描述希特勒對自己外表非常的一絲不苟,
過分保守的嚴謹態度,他身體健康但是卻害怕細菌。
擁有躁鬱症,有戀母情結和還有被虐症,
同時他也患有妄想症,所以在這種心理建設下,
如果戰敗,他一定會選擇自殺。
而這些資料也交給了OSS戰略情報局
不過這些資料在戰後就銷毀了,
而蘭格博士就在1970年推出了一本叫【希特勒的心理】。
而過後罪犯側寫這一個職業
就在約翰。愛德華。道格拉斯的發展下,
成為以後FBI調查組的行為科學科,
道格拉斯是聯邦調查局的特工,對於抓美國的連環殺人兇手居功至偉。
也有現代福爾摩斯的稱號。
他也是第一位專職的FBI側寫探員。在他的生涯裡面,
曾經去過監獄裡面訪問非常多的連環殺手
還有一些史上最出名的罪犯,
包括大衛。理查。伯克維茨(山姆之子連環兇殺案兇手),
泰德班迪(連環姦殺案兇手)被譽為最英俊的殺手之一
過後他就用這些資料出版了幾本書,第一本書
【性殺案的模式還有動機】
還有另外一本叫【犯罪分類手冊】CCM(criminal classification manual )
而美劇【犯罪心理】就是根據他其中的一本書
【Mind Hunter】來創作的。
罪犯側寫並不像心理學一樣,用理論的方式為基礎,
而是根據現場的罪證,包括現場的一些資料,
一些作案手法還有臨床心理學
來推測兇手的特定行為和特徵,用這種方式去協助破案
加上鑑證科,法醫,彈道,化學檢驗等等不同的方法,
務必要將兇手繩之以法。
那人為什麼會犯罪呢?好像在宗教裡面講的,
人的本身是有原罪的基因,而每個人由於是有思想還有情緒,
我們都會有可能犯罪,如果一個小孩子你不理他,
不教導他,他是一定會變壞!
但是並沒有什麼天生的罪犯和殺人狂,而是某種原因
觸發到他的犯罪慾望,經而做出不是人類可以做出的惡行,
動物之間是沒有犯罪的,
它們不會為了炫耀而殺死了其他的動物,把它的皮披在身上,
不會因為好玩而虐待其他動物,餓了就要吃,
這只是他們的基本慾望而已。
但是反觀人類,由於是擁有思考的腦袋,
他們可以害人,殺人,虐待甚至屠殺!
這些不就是人類基因裡面的原罪嗎?
你我都有可能犯罪,但是我們也可以選擇做好人
修身養性,做好事,說好話,控制自己的情緒和慾望,遠離罪惡。
最後,讓我們做一個FBI的測試,
看看你們是否有資格進入做FBI的特工,
點擊在說明文下方的連接去測試一下吧!
這只是一個免費的版本,如果你要正式考試,需要給79美金,
不過你們去玩玩也是不錯的!因為這個測試的確是很難!
測試後留言告訴我你的成績吧!
那好啦!今天的影片就到這裡,如果你喜歡這個影片
覺得自己學到東西,就記得點贊,分享還有訂閱吧!
好啦!我們下個奇異世界見,Bye Bye

資料科學的 建 模 基礎 在 Dd tai Youtube 的最佳貼文
主要內容:北緯30°•中國行(4):1、寧波:姚江尋寶;2、寧波:擺渡河姆渡;3、寧波:走進河姆渡遺址;4、寧波:走進田螺山遺址;5、寧波:尋找稀有黃金茶;6、寧波:寧式傢俱製作工藝;7、寧波:余姚土布製作技藝;8、寧波:余姚榨菜收穫忙。
寧波簡稱“甬”,早在唐代就已經成為“海上絲綢之路”的起點之一,悠久的歷史和發達的經濟使得寧波擁有眾多歷史古跡,阿育王寺、天一閣、慈城、老外灘、鄭氏十七房村都是寧波的知名景點。本期到寧波下轄的兩個縣級市余姚市和慈溪市去看看那裡的人文風貌和特色物產。
河姆渡遺址位於浙江省餘姚市,是一處屬於新石器時代中期的聚落遺址。遺址中出土有各種生產工具、生活器具和原始藝術品6700餘件,發現了水稻栽培、木結構建築等遺蹟,以及馴養的豬、狗、水牛和捕獵的野生動物遺骸,採集的植物果實等遺存,展示出當時這一地區燦爛的原始農業文化。河姆渡遺址是"河姆渡文化"的命名地,是長江下游新石器中期文化的首次發觀。它的發現,為研究當地新石器時代農耕、畜牧、建築、紡織、藝術等方面提供了珍貴的實物資料。浙江省 餘姚市地標 河姆渡遺址,位於餘姚市河姆渡村附近。河姆渡遺址曾先後兩次進行過較大規模的發掘,發掘面積2800平方米,出土文物6200件,陶片幾十萬片。1973年11月9日至1974年1月10日在1973年夏天試掘的基礎上,對遺址的南部進行了首次發掘,發現了四個疊壓的地層,揭露了干欄式建築和水井等遺蹟,出土了很具地域特色的夾炭黑陶器、骨耜等一批重要遺物,大量的動植物遺存,特別是栽培稻穀的大批量發現為同時期其他遺址所不見,並被命名為「河姆渡文化」。河姆渡遺址是一處屬於新石器時代中期的聚落遺址,總面積約4萬平方米。遺址中出土有各種生產工具、生活器具和原始藝術品6700餘件。並發現了豐富的水稻栽培和大面積木結構建築等遺蹟,以及馴養的豬、狗、水牛和捕獵的野生動物遺骸,採集的植物果實等遺存。展示出當時這一地區燦爛的原始農業文化。河姆渡遺址發現帶榫卯的干欄式長房子,出土的大批珍貴遺物及動、植物遺存,對研究我國新石器時代考古,特別是長江流域新石器時代考古起了積極的推動作用,為多學科研究提供了豐富而又可靠的實物資料,考古實踐表明黃河、長江流域的原始先民共同締造了中華民族光輝燦爛的遠古文化。 河姆渡遺址為全國重點文物保護單位。
田螺山遺址是屬於河姆渡文化的一處古遺址,位於浙江省餘姚市三七市鎮相岙村,發現於2001年,曾入選「2008年中國十大考古新發現」初選名單。經考古證實,遺址年代約為距今7000年-5500年。由於其地面環境、地下遺存保存較為完好,被稱為「第二河姆渡」。田螺山遺址發現於2001年。當時,一家熱處理廠在打井時發現陶片、動物骨骼和木頭。隨後,文物部門對當地進行了發掘,認為遺址時間不晚於河姆渡文化第二期,且形式與河姆渡文化類似。2004年2月至6月的大規模發掘證實,該文化遺存出土器物與河姆渡遺址幾乎相同,且出現成片干欄式建築遺蹟和較為完整的村落布局。預計遺址總面積達到30000平方米,擁有6個文化層,年代約為7000年-5500年。田螺山遺址現場館副館長黃建華表示,田螺山遺址的地面環境在河姆渡文化眾多遺址中保存最為完好。田螺山遺址發現了其他遺址不具有的人臉形陶支腳、形似大象頭部的陶塑等陶器,這在河姆渡遺址中幾乎沒有見到。出土的器物中,雙耳深腹夾炭陶罐殘存部分有近70厘米高,這在浙江省範圍內是首次發現。遺址中發現大量鹿角、魚骨、象牙等動物骸骨和木材、菱角、酸棗等植物遺存,這反映了當時這一地區的自然狀況。特別是遺址中發掘出的人為種植古茶樹樹根和壺形陶器證明,當時很有可能已經人工種植茶樹並飲茶。遺址中的干欄式建築範圍和大小證明,當時的先民已經能夠挖掘較深的土坑,且能夠應用重力與承重力關係的經驗進行建築。跟據田螺山發掘的大量稻穀證明,隨著時間推移,馴化稻的比例上升,且發現的稻穀並非原始栽培稻。這證明了長江流域稻穀種植歷史比預想的更長。這一成果於2009年被美國《科學》雜誌收錄。2007年,遺址發掘現場建起田螺山遺址現場館,將遺蹟發掘成果與發掘現場進行展示,使參觀者能夠親歷考古發掘現場。

資料科學的 建 模 基礎 在 旗標知識講堂- 《資料科學的建模基礎 的推薦與評價
資料科學的建模基礎 - 別急著coding!你知道模型的陷阱嗎?》在《CIO... ... <看更多>
資料科學的 建 模 基礎 在 Python 資料科學實戰教本- 爬蟲- 探索式分析、機器學習建模 的推薦與評價

一本書掌握 資料科學 / 數據工程必學know-how!】 □ 資料科學 三部曲:取得資料→ 探索資料→ 預測分析□ 一次補足最入門的統計和機率 基礎 □ Python ... ... <看更多>
資料科學的 建 模 基礎 在 Re: [請益] 機器學習或資料科學家領域差異- 看板Soft_Job 的推薦與評價
本魯碩博主要做人工智慧/機器學習, 一點淺見
機器學習 主體是機器, 主要方向是
機器如何可以學習 有哪些方法
類神經 模糊理論 灰色系統 基因演算法 蟻群 貝氏網路
十年前的啦, 現在不知道, 脫節很久惹...
這個方法用在那個資料效果好不好, 如何讓它變好
同一筆資料 換另一個方法呢?
或者數個方法串起來用?
同一個方法, 用在別種資料呢?
總之目標是在增進機器的學習能力,
速度更快、效果更好、對不同資料更泛用等
資料科學, 主體是資料, 主要方向是
資料如何分析?
統計? 資料探勘? 機器學習?
丟入某很夯很威的工具 (MATLAB 等) 用現成工具跑看看結果
調調看參數權重
根據已知 (或想像中) 的邏輯 調整參數 建模
由分析結果反推原因、建模
總之目標是放在對資料本身的理解
找到更多規則、挖出未知的關係、發展理論
ex 有某某情形的股票未來 6~12 個月表現會明顯優於其它股票等
可以使用任何方法, 包含機器學習
資料量不大的話要用 excel 樞鈕分析都可以...
大致來說就是,
機器學習偏重在工具的開發與改進,
資料科學則是著重在應用工具從資料中找出理論或應用價值
以台灣來說, 機器學習的職缺可能會比較少,
主要會是資料科學吧?
(指工作內容, 職缺名稱就不知道了)
※ 引述《smallv (小小勝利者)》之銘言:
: 想請教版上大大
: 假設有了機器學習或者資料科學家工作經驗一段時間
: 未來想跳槽的話 領域不同會差很多嗎
: 像是...影像方面 語言方面 預測股票期貨方面 球賽勝率 機器人辯論方面 等等
: 各自的差異就蠻大的
: 那這樣跳槽會不會比較難 因為使用的演算法可能會有小差異?
: 還是其實還好? 尤其短時間內台灣這類人才還是短缺 不太需要擔心?
: 第二個問題 在台灣通常軟體公司的機器學習或資料科學家
: 待遇大概是哪個範圍 能有6萬到12萬嗎?
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.226.166.63
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1529835645.A.BD3.html
這圖我是覺得有點誇張
比方說, 假如要解的是 TSP 這種條件單純明快的問題,
那基本上用不太到什麼數學, 大概就加減法,
在 CS/IT 會吃比較多
而如果是貨架規劃之類,
我想主要就是 Domain 多一點, 然後拿現成軟體跑跑關聯法則/分類分群就很多了,
對 CS/IT 跟數學統計沒什麼概念也行, 主要只是要結果
當然會的越多越全面是能對應到越多狀況或做得越好,
但如果只是針對某類特定資料/目標的資料科學,
也沒有那麼誇張, 畫三個大圈圈在那恐有引人誤解之虞
"用" ML, 這裡的 ML 應該是工具沒錯 @@
像用 NN 做地形判斷 (一張圖, 判斷哪裡是湖哪裡是陸等)
有個正確答案針對方法去 tune 的這種,
我覺得主要是在做工具
工具做好後, 就可以被拿來實際應用,
應用的那部份就是你說的了
這張 Data Science 跟更多東西包在一起了 XDD
實際上很可能不需要就是 依需求可能其中一兩樣就夠用了
(想成圈在一起是表示 "可能相關" 就還算可以理解)
純軟QQ
這張完全是鬼扯
灰色系統、類神經、GA、模糊理論 都沒怎麼用到統計,
可以跟統計一起用, 但它們本身是獨立的方法論
把 Machine Learning 改成 Data Mining 的話還有一點道理
ML 跟 DM? 這篇說的是 ML 跟 DS @@
ML 跟 DM 的話, DM 是 分析資料的 "方法",
ML 可以使用 DM 的方法來實現, 也可以完全不用 DM 的方法
舉個例,
DM 可以說, apriori 是為了找關聯法則, k means 做分群,
C4.5 做分類
它的方法本身, 就有一個特定的目的在
但是
ML 類神經就是類神經, 沒有一定要幹麻, 反正它就是一個方法,
你可以用類神經去試著做任何你想做的應用
你也可以類神經搭配 k means, 也可以類神經搭模糊理論再加個基因演算法 等等
而 DS 則是使用任何方法 (包含 ML DM) 達到 利用數據學習知識 這個目的
大概是這樣
哈 我這兩天也在想這種情形,
現在基礎薄弱一知半解就上工然後到了資深還是一片混亂好像是常態,
蠻囧der...
※ 編輯: lovdkkkk (36.226.166.63), 06/26/2018 14:47:10
... <看更多>